车牌识别初笔：车牌定位之精确定位与block精简

花了挺长时间在定位上，精确定位与block精简貌似是无法战胜的鸿沟，横在我眼前。调测百遍千遍，虽无硕果累累，却也心有所得。

一、精确定位

        车牌上下边界一般都比较准确，稍作修改一般无需大幅度调整。有一种情况-----倾斜，倒是需花点时间分析研究改动。基本上难点是在左右边界，就那两条短短的竖线，要费去尔等多少心思心血。

        方法：灰度（边缘、跳变、波形、投影），颜色（YUV 、 RGB、  HSV），二值化（局部、全局），角点，haar。

        极难有一种方法适用所有情况，只能权衡一个最佳组合。到精确定位的环节，只能逐步细分，例如颜色一个枝节，大框一个枝节，小框一个枝节等等。小车牌，颜色丢失或光线不足的暗车牌这两种情况问题较多。

        YUV色差C=(255 + U - V)的区分度不错，蓝色最高，C一般255以上，一些非车牌block一般在260以下。当然很多蓝色不明显的暗车牌block、白底车牌、黑底车牌的C值也会在260以下。蓝色U值一般取150以上且V值130以下，需根据图像实际效果定。

       灰度投影波形分析及竖直边缘密度统计是一个常用方法。水平逐行、逐列灰度跳变，灰度跳变又分为两个范围，一个是Y值60到90，一个是大于90，阈值需根据图像实际效果定。灰度投影波形波峰波谷判断极具分析判断空间，从原始图像来说，灰度是一个未经破坏原汁原味的表征车牌的一个重要特征，得灰度精髓者得精确度。

       二值化方法效果取决于二值化效果。不是原汁原味的特征故受影响因素多。局部（水平每25像素作为步长）与全局二值化同或，再利用简单角点处理，对于二值化效果好的图像基本能求得正确左右边界。阈值判断以每列灰度均值，升序排序后来确定。局部二值化以80%到95%左右的值作为条件的来判断选取哪一个值为阈值，而全局二值化用50%左右的值作为条件来判断选取哪一个值作为阈值。

       简单角点方法其实是n * n邻域内和中心点的差值满足一定条件，则保留，本质上利用的是车牌竖直边缘特征。用在二值图像上则差值是255，当然选取255还是0为中心点具有不一样的效果，有些情况可用if让两种都用上。得到处理后的图像就要得到左右边界就比较简单了。

二、block精简

         关乎效率，略微影响识别率。

         方法：色差，水平灰度投影波峰波谷，haar，局部与全局二值化加简单角点、二值化后统计跳变特征

         色差较粗糙，水平灰度投影波峰波谷数量判断是常用方法，经验阈值在15以上，40以下。

         好的haar模型，定位有较高的准确率，因为对象为block，不会花销很大时间，做好了完全能满足效率。

         局部与全局二值化加简单角点和上面精确定位说到的一样，得到处理后的图像，遍历每行，计算出255到0的跳变的次数，算出最大值，正常车牌一般大于10。小车牌需另设置。

         二值化统计跳变特征，是对二值化图像做每列统计白点像素，得到投影图后，分析实际情况得到经验阈值，然后判断最高波峰与相邻最低波谷差值是否大于此阈值，是则计数加1，正常车牌block的最终值会在10左右，之前设置了范围6~15。

       目前为止，运用二值化加简单角点来排除block效果较好，误排率较低，而haar如果模板训练得好，效果好于前者。精确定位上还没有发现哪种方法凌驾与其他方法之上，具有很显著的效果，待进一步研究。

       以上数据均本人经验值，理论均本人心得，欢迎同行交流指正